OpenAI最新提出的可逆生成模型Glow

OpenAI最新提出的可逆生成模型Glow，可以使用相对少的数据，快速生成高清的逼真图像，具有GAN和VAE所不具备的精确操作潜在变量、需要内存少等优势。

OpenAI刚刚在博客介绍了他们的最新成果——Glow，一种使用可逆1x1卷积的可逆生成模型。

Glow 可以生成逼真的高分辨率图像，支持高效采样，并且可以自动学习图像中属性特征，比如人的五官。

先来看效果，加了胡子的Hinton，笑容调到最高，眼神也看起来更亮：

下图是使用Glow操纵两名研究人员面部图像的属性。模型在训练的时候并没有给出眼睛、年龄等属性标签，但自己学习了一个潜在空间，其中某些方向对应胡须密度，年龄，发色等属性的变化。

人脸混合过度的效果也十分自然：

这是使用30,000个高分辨率面部数据集进行训练后，Glow模型中的样本，可以说很逼真了。如果不说明，应该有不少人会觉得是真人照片。

再放大来看，这个效果至少是不输给GAN的：

Glow模型生成一个256x 256的样本，在NVIDIA 1080 Ti GPU上只需要大约130ms。使用 reduced-temperature模型采样结果更好，上面展示的例子是温度0.7的结果。

数据利用率高，可泛化，优于GAN和VAE

Glow是一种可逆生成模型（reversible generative model），也被称为基于流的生成模型（flow-based generative model）。目前，学界还很少关注基于流的生成模型，因为GAN和VAE这些显而易见的原因。

OpenAI的研究人员在没有标签的情况下训练基于流的模型，然后将学习到的潜在表示用于下游任务，例如操纵输入图像的属性。这些属性可以是面部图像中的头发颜色，也可以是音乐的音调或者文本句子的情感。

上述过程只需要相对少量的标记数据，并且可以在模型训练完成后完成（训练时不需要标签）。使用GAN的工作需要单独训练编码器。而使用VAE的方法仅能确保解码器和编码器数据兼容。Cycle-GAN虽然可以直接学习表示变换的函数，但每次变换都需要进行重新训练。

训练基于流的生成模型操纵属性的简单代码：

Glow的具体操作过程

OpenAI研究人员表示，这项工作是建立在非线性成分估计（Dinh L. et, NICE: Non-linear Independent Components Estimation）和RealNVP（Dinh L. et, Density estimation using Real NVP）的基础上。

他们的主要贡献是增加了可逆的1x1卷积，并且删除了RealNVP的其他组件，从而简化了整体架构。

RealNVP架构包含两种类型的层：一种是有棋盘格masking的层，一种是有channel-wise masking的层。OpenAI去掉了前一种棋盘格masking，简化了整体结构。

在Glow模型的工作中，具有channel-wise masking的层不断重复下列步骤：

通过在channel维度上反转输入的顺序来置换输入。

将输入在特征和维度的中间分为A和B两部分。

将A输入一个浅层的卷积神经网络，根据神经网络的输出线性变换B

连接A和B

将这些层链接起来，让A更新B，B更新A，然后A再更新B，以此往复。这种双向信息流非常rigid。研究人员发现，通过将步骤（1）的反向排列改变为（固定的）shuffle 排列还能改善模型性能。

使用1x1卷积的效果要显著好于逆转和Shuffle

此外，他们还将批归一化（BN）换成了一个激活归一化层（activation normalization layer）。这个层能够转变和放大激活。因此，能将大图像最小的批量大小缩小到1，并扩大模型的大小。

这个架构结合了多种优化，例如梯度检查点（gradient checkpointing），使研究人员能够比平常更大规模地训练基于流的生成模型。他们还使用Horovod在多台机器的集群上训练模型，上面演示中使用的模型在5台机器上训练，每台有8个GPU。使用这种设置，他们训练了具有超过一亿个参数的模型。

基于流的生成模型，大有可为！

OpenAI研究人员表示，他们在这项工作中表明，可以训练基于流的模型（flow-based）来生成逼真的高分辨率图像，并且学习可以轻松用于下游任务（如数据操作）的潜在表示。

基于流的生成模型有以下优点：

精确的潜变量推断和对数似然估计。在VAE中，只能近似推断出与某个数据点相对应的潜在变量的值。GAN则根本没有编码器来推断潜伏变量。但是，在可逆生成模型中，不仅可以实现准确的潜在变量推理，还可以优化数据的对数似然，而不是只是其下限。

高效的推理和有效的合成。自回归模型，例如PixelCNN，也是可逆的，但是这些模型的合成难以并行化，往往在并行硬件上效率很低。基于流的生成模型，比如Glow和RealNVP，可以有效地进行推理与合成的并行化。

下游任务的有用潜在空间。自回归模型的隐藏层边际分布式未知的，因此很难进行有效的数据操作。在GAN中，数据点通常不能直接在潜在空间中表示，因为它们没有编码器，可能不完全支持数据分布。但可逆生成模型和VAE，就能进行数据点之间的插值，对现有数据点进行有意义的修改等操作。

节省内存的巨大潜力。如RevNet论文所述，在可逆神经网络中计算梯度需要的内存是固定的，不会随着深度的增加而增加。

他们建议未来可以继续探索这两个方向：

自回归模型和VAE在对数似然性方面比基于流的模型表现更好，但它们分别具有采样低效和推理不精确的缺点。未来，可以将基于流的模型、VAE和自回归模型结合起来，权衡彼此优势，这将是一个有趣的方向。

改进架构来提高计算效率和参数效率。为了生成逼真的高分辨率图像，面部生成模型使用200M规模参数和大约600个卷积层，这需要花费很高的训练成本。深度较小的模型在学习长时间依赖（long-range dependencies）方面表现较差。使用self attention结构，或者用渐进式训练扩展到高分辨率，可以让训练流模型的计算成本更低。